Sztuczne sieci neuronowe (ANN) to elementy systemu komputerowego zaprojektowanego do symulacji sposobu, w jaki ludzki mózg analizuje i przetwarza informacje. Stanowią one podstawę sztucznej inteligencji (AI) i rozwiązują problemy, które okazałyby się niemożliwe lub trudne według standardów ludzkich lub statystycznych. ANN ma możliwości samouczenia się, które pozwalają im osiągać lepsze wyniki w miarę udostępniania większej ilości danych.
Rozkładanie sztucznych sieci neuronowych (ANN)
Sztuczne sieci neuronowe (ANN) torują drogę do opracowania zmieniających życie aplikacji do zastosowania we wszystkich sektorach gospodarki. Platformy sztucznej inteligencji (AI) oparte na ANN zaburzają tradycyjny sposób działania. Od tłumaczenia stron internetowych na inne języki, poprzez wirtualnego asystenta zamawiającego zakupy spożywcze online, po rozmowę z chatbotami w celu rozwiązania problemów, platformy AI upraszczają transakcje i udostępniają usługi wszystkim za niewielką opłatą.
Jak działa system?
Sztuczne sieci neuronowe są zbudowane jak ludzki mózg, a węzły neuronowe są połączone jak sieć. Ludzki mózg ma setki miliardów komórek zwanych neuronami. Każdy neuron składa się z ciała komórki odpowiedzialnego za przetwarzanie informacji poprzez przenoszenie informacji w kierunku (wejścia) i oddalania (wyjścia) od mózgu. ANN ma setki lub tysiące sztucznych neuronów zwanych jednostkami przetwarzającymi, które są połączone węzłami. Te jednostki przetwarzania składają się z jednostek wejściowych i wyjściowych. Jednostki wejściowe otrzymują różne formy i struktury informacji oparte na wewnętrznym systemie ważenia, a sieć neuronowa próbuje dowiedzieć się o prezentowanych informacjach w celu wygenerowania jednego raportu wyjściowego. Tak jak ludzie potrzebują reguł i wytycznych, aby wymyślić wynik lub wynik, ANN również używają zestawu reguł uczenia się zwanych propagacją wsteczną, skrótem wstecznej propagacji błędu, w celu udoskonalenia swoich wyników wyjściowych.
ANN początkowo przechodzi fazę szkolenia, w której uczy się rozpoznawać wzorce danych, zarówno wizualnie, jak i fonetycznie lub tekstowo. Podczas tej nadzorowanej fazy sieć porównuje swoją rzeczywistą moc produkcyjną z tym, co miała wytworzyć, tj. Pożądaną moc wyjściową. Różnica między obydwoma wynikami jest korygowana za pomocą propagacji wstecznej. Oznacza to, że sieć działa wstecz, przechodząc od jednostki wyjściowej do jednostek wejściowych w celu dostosowania ciężaru swoich połączeń między jednostkami, aż różnica między faktycznym a pożądanym wynikiem spowoduje najmniejszy możliwy błąd.
Podczas etapu szkoleniowego i nadzorczego, ANN uczy się, czego szukać i jaki powinien być jej wynik, używając typów pytań Tak / Nie z liczbami binarnymi. Na przykład bank, który chce wykryć na czas oszustwo związane z kartą kredytową, może otrzymać cztery jednostki wejściowe z następującymi pytaniami: (1) Czy transakcja odbywa się w innym kraju niż kraj zamieszkania użytkownika? (2) Czy strona internetowa, z której korzysta karta, jest powiązana z firmami lub krajami na liście obserwacyjnej banku? (3) Czy kwota transakcji przekracza 2000 USD? (4) Czy nazwa na rachunku transakcji jest taka sama jak nazwa posiadacza karty? Bank chce, aby odpowiedzi „wykryte oszustwo” brzmiały Tak Tak Tak Nie, która w formacie binarnym wynosiłaby 1 1 1 0. Jeśli rzeczywista moc wyjściowa sieci wynosi 1 0 1 0, dostosowuje swoje wyniki, aż do uzyskania wartości wyjściowej pokrywającej się z 1 1 1 0. Po szkoleniu system komputerowy może ostrzec bank o oczekujących nieuczciwych transakcjach, oszczędzając bank dużo pieniędzy.
Praktyczne zastosowania
Sztuczne sieci neuronowe zostały zastosowane we wszystkich obszarach działalności. Dostawcy usług e-mail używają ANN do wykrywania i usuwania spamu ze skrzynki odbiorczej użytkownika; zarządzający aktywami używają go do prognozowania kierunku akcji spółki; Firmy ratingowe używają go do ulepszania swoich metod oceny zdolności kredytowej; Platformy handlu elektronicznego używają go do personalizacji rekomendacji dla odbiorców; chatboty zostały opracowane przy pomocy ANN do przetwarzania języka naturalnego; algorytmy głębokiego uczenia wykorzystują ANN do przewidywania prawdopodobieństwa zdarzenia; a lista rejestracji ANN trwa w wielu sektorach, branżach i krajach.
